مهسا فایل |
سایت دانلود فایل فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word دارای ۶۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.
فایل ورد فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word :
بخشی از فهرست مطالب فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word
۱-۱- کمومتریکس
۱-۲- روشهای کمومتریکس
۱-۳- دستهبندی دادهها
۱-۳-۱- دادههای مرتبه صفر
۱-۳-۲- دادههای مرتبه اول
۱-۳-۳- دادههای مرتبه دوم
۱-۴- آنالیز چند جزئی
۱-۵- روشهای کالیبراسیون
۱-۵-۱- کالیبراسیون تک متغیره
۱-۵-۲-کالیبراسیون چند متغیره
۱-۶- رگرسیون خطی چند تایی
۱-۷- مولفههای اصلی(PC) یا فاکتورهای اصلی
۱-۷-۱- آنالیز مولفههای اصلی(PCA)
۱-۷-۲- رگرسیون مولفههای اصلی (PCR)
۱-۷-۳- تکنیکهای رگرسیون
۱-۸- تقسیم بندی روشهای کالیبراسیون چند متغیره
۱-۹- روش های مشتقی در اسپکتروفتومتری
شکل ۱-۲- نمایش جذب ها و مشتق ها از یک طیف گوسین
۱-۱۰- مقدمه ای بر روش های مشتقی
۱-۱۰-۱- روش ها و مزایا
۱-۱۰-۲- تکنیک های نوری و الکترونی در مشتق گیری
۱-۱۰-۳- تکنیک های ریاضی در مشتق
۱-۱۰-۴- حذف پس زمینه
شکل۱-۳- نمایی از یک طیف دارای جذب زمینه و مشتق آن
۱-۱۰-۵- اثرات پهنای طیف
شکل ۱-۴- نمایشی از تفاوت در پهنای گسترده پیک ها
شکل ۱-۵- اثرات حذف پراکندگی
۱-۱۱- مشکلات ماتریسی در مشتق
۱-۱۲- مرحله کالیبراسیون (آموزش) و پیشگویی (تست)
۱-۱۲-۱- طراحی آزمایش
۱-۱۲-۲- اثر نویز
۱-۱۳- پیش پردازش دادهها
۱-۱۳-۱- تمرکز بر میانگین
۱-۱۳-۲- هم مقیاس کردن
۱-۱۴- تصحیح سیگنال عمودی
۱-۱۵- انتخاب فاکتورهای بهینه در کالیبراسیون
۱-۱۵-۱- الگوریتم اعتبار سازی دو طرفه
۱-۱۶- پارامترهای آماری
۱-۱۷- تجزیههای اسپکتروفتومتری
۱-۱۸- حسگر شیمیایی
۱-۱۹- انواع حسگرهای شیمیایی
۱-۱۹-۱- حسگرهای گرمایی
۱-۱۹-۲- حسگرهای جرمی
۱-۱۹-۳- حسگرهای الکتروشیمیایی
۱-۱۹-۳-۱- حسگرهای پتانسیومتری
۱-۱۹-۳-۲- حسگرهای آمپرومتری
۱-۱۹-۳-۳- حسگرهای رسانایی سنجی
۱-۲۰- حسگرهای نوری
۱-۲۱- قواعد حسگری در حسگرهای نوری بر پایه جذب
۱-۲۱-۱ جذب
۱-۲۲- شیمی پاسخ حسگر
۱-۲۳- مکانیسم پاسخ در حسگرهای نوری
۱-۲۳-۱- حسگرهایی بر پایه تبادل یون
شکل ۱-۱۰- مکانیسم تبادل یون برای تشخیص و اندازهگیری یک آنالیت کاتیونی در حسگر نوری
۱-۲۳-۲- حسگری بر اساس استخراج همزمان
شکل ۱-۱۱- مکانیسم استخراج همزمان آنالیت آنیونی همراه با پروتون به درون لایه حسگر
۱-۲۳-۳- حسگری بر اساس شناساگرهای رنگزا و فلورسانسکننده
۱-۲۳-۴- حسگری بر اساس رنگینههای حساس به پتانسیل
۱-۲۴- روشهای تثبیت
شکل۱-۱۲- اثر تشکیل جفت یون در چربیدوستی شناساگر
۱-۲۵- مواد مورد استفاده به عنوان بستر تثبیت
۲-۱- مروری بر تاریخچه روشهای کالیبراسیون چند متغیره
۲-۲- مروری برتاریخچه حسگرهای نوری برای اندازهگیری کاتیونها
Reference منابع
بخشی از منابع و مراجع فایل ورد کامل تحقیق کمومتریکس و روش های آن و روشهای کالیبراسیون و مشتقی و انواع حسگرهای شیمیایی و حسگرهای نوری ۶۶ صفحه در word
[۱] G. T. Castro, O. S. Giordano, S. E. Blanco, J. Mol. Struct., 629(2003)
[۲] S. Wold, Chemom. Intell. Lab. Syst., 14(1992)
[۳] N. K. Wold, Chemom. Intell. Lab. Syst., 14(1992)
[۴] S. Wold, M. Sjstrm, L. Eriksson, Chemom. Intell. Lab. Syst., 58(2001)
[۵] S. Wold, J. Trygg, A. Berglund, H. Antti, Chemom. Intell. Lab. Syst., ۵۸(۲۰۰۱)۱۳۱
[۶] N. Kettaneh, A. Berglund, S. Wold, Comput. Stat. Data. An., 48(2005)69.[7] C. Preda, G. Saporta, Comput. Stat. Data. An., 48(2005)
[۸] A. F. Barbosa, M. G. Segatelli, A. C. Pereira, A. S. Santos, L. T. Kubota, P. O
Luccas, C. R. T. Tarley, Talanta., 71(2007)1512.[9] N. Sarlak, M. Anizadeh, Sens. Actuators, B., 160(2011)644.[10] I. D. Mers, A. E. Mansilla, F. S. Lpez, M. J. R. Gmez, J. Pharm. Biomed. Anal., 27(2002)
[۱۱] R. Anderson, J. bus. Res., 6(1978)
[۱۲] K. Wang, A. Salhi, E. S. Fraga, Chem. Eng. Process., 43(2004)
[۱۳] C. Agthe, W. Luinsky, Food. Cosmet. Toxicol., 6(1968)627.[14] H. Kim, D. Kim, S.Y. Bang, Pattern. Recong. Lett., 24(2003)1385.[15] D. Hristozov, C.E. Domini, V. Kmetov, V. Stefanova, D. Georgieva, A.Canals, Anal. Chim. Acta., 516(2004)
[۱۶] D. Shen, H. Shen, J. S. Marron, J. Multivariate. Anal., 115(2013)
[۱۷] K. J. Kim, J. J. Park, S. H. Lee, S. I. Kim, Y. W. Park, C. G. Lee, Microelectron. Eng., 88(2011)
[۱۸] G. Luquet, C. Brillouet, M. Leclerc, Immunol. Lett.,7(1984)
[۱۹] U. Depczynski, K. Jetter, K. Molt, A. Niemller,Chemometr. Intell. Lab., 39(1997)
۱- کمومتریکس[۱]
گستره وسیعی از روشهای آمار و ریاضی جهت توصیف و تفسیر نتایج آزمایشهای مختلف ارائه و بررسی شدهاند. بررسیها و مطالعات انجام شده در این زمینه منجر به پیدایش زیر شاخههایی از قبیل بیومتری[۲]، سایکومتری[۳]، اکونومتری[۴]، آمار دارویی[۵] و غیره شده است. با رشد و تکامل سریع دستگاههای مورد استفاده در شیمی، در هر آزمایش حجم وسیعی از اطلاعات تولید میشود. این حجم زیاد دادهها، احتیاج به روشهایی جهت کاهش دادهها، نمایش واضحتر و استخراج اطلاعات مفیدتر را افزایش میدهد
بدین ترتیب همراه با توسعه و پیشرفت شیمی تجزیه دستگاهی، علوم کامپیوتر و تکنولوژی و به عنوان ابزارهای کمکی جهت تسهیل به کار گرفته شدند. به کارگیری ریاضی، آمار پیشرفته و کامپیوتر در شیمی منجر به پیدایش شاخهای جدید به نام کمومتریکس گردید
علم جوان و جدید کمومتریکس در دهههای اخیر رشد چشمگیری داشته است. این پیشرفت قابل ملاحظه به توسعه ابزارهای هوشمند و خودکار شدن آزمایشگاهها و استفاده از کامپیوترهای قدرتمند بر میگردد. در دهه هفتاد میلادی بسیاری از گروههای تحقیقاتی شیمی تجزیه از روشهای آماری و ریاضی در آنالیزهای خود استفاده کردند. امروزه کمومتریکس به ابزاری مناسب برای آنالیز کمی در همه زمینههای شیمی و به خصوص تجزیه تبدیل شده است و کمتر آنالیستی هست که به استفاده از روشهای ریاضی و آماری در کارهای روزمره خود نیاز پیدا نکند [۵-۱]
ریشه کمومتریکس به سال ۱۹۶۹ بر میگردد وقتی که جورز،[۶] کوالسکی[۷] و آیزنهاور[۸] مقالاتی را در زمینه
استفاده از ماشینهای هوشمند خطی برای دستهبندی طیفهای جرمی با قدرت تفکیک کم[۹] در مجله Analytical Chemistry به چاپ رساندند. این مقالات سرآغاز یک ایده و راه جدید شد یعنی تبدیل کردن مقادیر زیادی از دادههای تجزیهای به اطلاعات مفید و با معنی
سوانته و والد[۱۰] یک دانشمند سوئدی جوان برای نخستین بار در اوایل دهه هفتاد میلادی نام کمومتریکس را برگزید. همکاری وی با کوالسکی که درصد یافتن روشهای برای درک الگو[۱۱] در شیمی بود منجر به تشکیل انجمن بینالمللی کمومتریکس (ICS) در سال ۱۹۷۴ شد. تعریفهای متعددی در متون شیمی برای کمومتریکس ارائه شده است. کمومتریکس علمی مربوط به شیمی است که در آن از ریاضیات و آمار برای طراحی با انتخاب روشهای آزمایشگاهی بهینه[۱۲]، فراهم کردن حداکثر اطلاعات مفید با آنالیز دادهها و به دست آوردن آگاهی از سیستمهای شیمیایی استفاده میشود [۷-۵]
ICS چنین تعریفی برای این واژه ارائه داده است: کمومتریکس عبارت است از روشهای ریاضیاتی (جبر خطی)، آماری، گرافیگی یا سمبولیک که به افزایش اطلاعات شیمیایی از سیستم کمک میکند
۱-۲- روشهای کمومتریکس
مراحل اصلی یک فرایند تجزیهای شامل نمونهبرداری، اندازهگیری و سپس تفسیر نتایج میباشد که جهت انجام آن میتوان از روشهای اصلی کمومتریکس که شامل تحلیل واریانس، طراحی آزمایش و مدلسازی میباشد، استفاده نمود. در اینجا به توضیح مختصر درباره روش مدل سازی پرداخته میشود
روشهای مدل سازی به دو گروه نرم و سخت تقسیمبندی میشوند
۱) مدل سازی سخت[۱۳]
این نوع مدل سازی براساس روابط ریاضی که اندازهگیریها را به طور کمی توصیف میکند، پایهگذاری شده است. برای مثال، در بررسی یک سیستم سینتیک شیمیایی، تجزیه دادهها براساس مدل سینتیکی به مکانیسم واکنش، پایهگذاری میشود. که از این مدل اطلاعات کمی درباره همه واکنشها و غلظتها، در محلول تحت مطالعه، بدست میآید
۲) مدل سازی نرم[۱۴]
در این روشها، فرایندهای شیمیایی بدون نیاز به اطلاعاتی درباره مدل شیمیایی سیستم، توصیف میشوند. این نوع مدل سازیها، از خطای ناشی از اشتباه بودن مدل شیمیایی فرض شده برای سیستم، جلوگیری میکنند و همچنین قادر هستند حضور گونههایی که بدون شرکت در فرآیند تحت مطالعه، دارای سیگنال میباشند را تشخیص دهند و آنها را مدل کنند. روشهای ذکر شده با توجه به نوع سیستم شیمیایی قابل کاربرد میباشند. سیستمها در شیمی تجزیه به سه دسته تقسیم میشوند
– سفید: اطلاعات طیفی برای تمام گونههای شیمیایی موجود در سیستم در دسترس میباشد
– خاکستری: اطلاعات طیفی جزئی در دسترس میباشد
– سیاه: هیچ اطلاعاتی در مورد گونههای خالص در دسترس نمیباشد
جهت مطالعه سیستمهای سفید از روشهای مدلسازی سخت استفاده میشود مدل بر ارزش حداقل مربعات غیر خطی[۱۵] مثالی از این روش میباشد. سیستمهای سیاه با روشهای مدلسازی نرم مطالعه میشوند. مثالی از این مدل ها، تفکیک منحنی چند متغیره[۱۶] و آنالیز فاکتور تفکیکی میباشد[۱۷] و مثال پیشرفتهتر آن آنالیز فاکتور موازی[۱۸](PARAFAC) میباشد. ترکیبی از مدلسازی نرم و سخت جهت مطالعه سیستمهای خاکستری قابل کاربردی است. مثالی از این روشها، ترکیب روش تفکیک منحنی چند متغیره و روش مدلسازی سخت میباشد. روش تجزیه سه خطی مدل سخت[۱۹](HTD) نیز مثال پیشرفتهتر این روشها میباشد
۱-۳- دستهبندی دادهها
۱-۳-۱- دادههای مرتبه صفر[۲۰]
در صورتی که به ازاء اندازهگیری یک نمونه آزمایشی، یک عدد داده بدست آید، آن داده را مرتبه صفر گویند. مثلا در ثبت pH یک محلول یک عدد حاصل می شود که با جمع آوری داده بدست آمده به ازاء یک بردار داده بدست میآید که جهت آنالیز این دادهها از روشهای آنالیز یک بعدی، نظیر میانگین[۲۱] و انحراف استاندارد[۲۲] استفاده میشود
۱-۳-۲- دادههای مرتبه اول[۲۳]
اگر به ازاء یک بار اندازهگیری یک نمونه آزمایشی، رشتهای از اعداد بدست آید، این اعداد را داده مرتبه اول گویند. مثالی از این نوع داده، ثبت طیف ماوراء بنفش- مرئی در J طول موج به ازاء یک نمونه میباشد. جمع آوری این طیفها برای I نمونه، ماتریس با ابعاد (J ×I)X تولید میکند. این ماتریس یک آرایه دو بعدی است که میتواند با روشهای آنالیز دو بعدی، نظیر روش تحلیل اجزاء اصلی[۲۴] آنالیز میگردد
۱-۳-۳- دادههای مرتبه دوم[۲۵]
اگر داده به دست آمده از اندازهگیری یک نمونه، جدولی از اعداد باشد، آن را داده مرتبه دوم گویند. مثالی از این نوع داده، طیف فلورسانس ثبت شده در I طول موج، به ازاء تاباندن J طول موج تحریکی برای یک نمونه میباشد. یعنی به ازاء یک نمونه ماتریس دو بعدی با ابعاد J × I، وجود دارد. جمع آوری ماتریسهای بدست آمده برای K نمونه مختلف، منجر به تولید آرایه سه بعدی (K×J×I)X میشود، که با روشهای نظیر PARAFAC آنالیز میگردد ]۸[
شایان ذکر است که استفاده از دادههای مرتبه دوم توانایی زیادی به شیمی دانها میدهد، از جمله این تواناییها، آشکار سازیهای گونه مزاحم و اندازهگیری آنالیت در حضور گونههای مزاحم ناشناخته و نیاز به نقاط کالیبراسیون کمتر نسبت به کالیبراسیون مرتبه اول میباشد. تجزیه دادههای سه بعدی از مطالعات سایکومتری تاکر[۲۶]، در دهه ۶۰ نشأت گرفته است. تاکر توسعه یافته روش تحلیل اجزاء اصلی (PCA) است که شامل آرایه دادههای سه بعدی میباشد.در اوایل دهه ۷۰ کرول[۲۷] و چنگ[۲۸] مدل سه بعدی [۲۹]Cac Decompرا توسعه دادند. در همان زمان هارشمن[۳۰] روش مستقل به نام PARAFAC را ارائه داد. هر دو این روشها که دارای ارزش یکسانی هستند تحت عنوان CP شناخته میشوند. CP حالت خاصی از تاکر میباشد. یعنی بر روی تاکر محدودیتهایی اعمال شده که سهام های چرخشی موجود در تجزیه فاکتورهای دو بعدی در روشهای تاکر عمومی را حذف میکند و در نتیجه منجر به راهحلهای منحصر به فرد میشود. به علت این راه حلهای منحصر به فرد، روشهای CP کمومتریکس دانان میباشد
۱-۴- آنالیز چند جزئی[۳۱]
عبارت آنالیز چند جزئی به روشهای اطلاق میشود که همزمان چندین جزء (به عنوان مثال غلظت بیش از یک ماده) را در یک نمونه، مورد اندازهگیری قرار میدهد. در تکنیکهای اسپکتروسکوپی غلظتهای هر جزءبا استفاده از حل معادلات هم زمان، پس از به دست آوردن ضرایب جذب مولی هر جزء در دو طول موج تعیین میگردد. آنالیز رگرسیون خطی چند طول موجی[۳۲] بیشتر برای جداسازی سیگنالهایی که به شدت همپوشانی کردهاند، کارایی دارد [۱۰-۹]. وجود دستگاههایی با قابلیت پیمایش[۳۳] و صفحات گسترده[۳۴] که امکان انجام محاسبات پیشرفته را فراهم میکنند سبب ایجاد تکنیکهای جدیدی در آنالیز چند جزئی شده است که به آنها در مجموع تکنیکهای کالیبراسیون چند متغیره[۳۵] میگویند. کمومتریکس در زمینه جداسازی سیگنالهای همپوشانی کرده مخلوطهای چند جزئی علاوه علاوه بر آن که نتایج بسیار مفیدی ارائه میکند، بسیار ساده نیز هست و همین دو مزیت علت کاربرد فراوان آن است [۱۱]
۱-Chemometrics
۲-Biometric
۳-Psychometric
۴-Econometric
۵-Medical Statistics
۶-Jurs
۷-Kowalski
۸-Isenhour
۱-Low Resolution
۲-Wold
۳-Pattern Recognition
۴-Optimization
۱-Hard Modeling
۲-Soft Modeling
۳-Nonlinear Least Squre Fiting
۴-Mulivariat Curve Resolation
۵-Resolving Factor Analysis
۱-Parallel Factor Analysis
۲-Hard Modeling Trilinear Decomposition
۳-Zero Order Data
۴-Mean
۵-Standard Deviation
۶-First Order Date
۷-Principal Component Analysis
۱-Second Order Date
۲-Tuker
۳-Carrol
۴-Chang
۵-Canonical Decompition
۶-Harshman
۱-Multi Component Analysis
۲-Multi Wavelength Liner Regression Analysis
۳-Scanning
۴-Spread Sheet
۵-Multivariate Calibration
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
